OCR

OCR（光学文字認識）は、テキストの画像を機械で読める文字に変換します。入力はスキャン、写真、スクリーンショットのいずれでもかまいません。出力はプレーンテキストで、多くの場合、ページ上の各単語、行、ブロックの位置も含まれます。

最近のOCRエンジンは、多数のフォントと言語で学習させたニューラルネットワークのモデルを使います。広く使われているエンジンには、オープンソースのTesseractと、macOSやiOSのアプリが呼び出せるAppleのVisionフレームワークがあります。最近のmacOSでは、写真、プレビュー、その他のアプリで画像内のテキストを選択できるライブテキストも提供されています。

OCRの結果を、PDFのページ画像の上に目に見えないレイヤーとして配置すると、見た目は変わらないまま、PDFを検索可能にできます。

OCRの仕組み

1. 画像を前処理します。コントラストを調整し、傾きを補正し、ノイズを除去します。
2. レイアウトを解析します。テキストのブロック、段組み、行、単語を見つけます。
3. 学習済みのモデルで、文字と単語を認識します。
4. 言語モデルを適用し、誤りとみられる箇所を修正します。
5. 座標とともにテキストを出力します。

OCRの用途

• スキャンした文書とスクリーンショットから作るPDFを検索可能にする。
• 画像、スライド、動画のフレームからテキストをコピーする。
• 領収書、請求書、フォームの内容を他のシステムに読み込む。
• アクセシビリティ。スクリーンリーダーには、画像ではなくテキストが必要です。

スクリーンショットのOCR

スクリーンショットは、OCRの入力として適しています。テキストがまっすぐで、鮮明で、コントラストが高いためです。文字が非常に小さい場合、コントラストの低い色、装飾的なフォント、数式、図の中のテキストでは、精度が下がります。Retinaの撮影と可逆のPNGは、縮小したJPGよりもエンジンに多くの詳細を与えます。

TemposhotはPDFを結果パネルから書き出すときにOCRを実行し、すべての処理はお使いのMac上で行われます。

OCRでよくある間違い

• 強く圧縮された画像や縮小された画像にOCRを実行する。
• 数字や名前のOCR結果を、確認せずに信頼する。
• 数式、表、脚注が正しい構造で出力されることを期待する。
• 1ページに複数の言語が混在している場合に、結果を確認しない。

ページをPDFにまとめますか？

Temposhotから検索可能なPDFを書き出すか、Macでスクリーンショットを PDF として保存する をご覧ください。既存の画像を変換する場合は Screenshot to Searchable PDF を使えます。

よくある質問

OCRのテキストは正確ですか？

いいえ。鮮明なテキストでは精度が高いものの、完璧ではありません。重要な箇所は画像と照らし合わせて確認してください。

1枚のスクリーンショットからテキストを取り出せますか？

はい。Extract Text from Image を使うと、ブラウザ上でテキストを読み取れます。

出典

• Optical character recognition（Wikipedia）
• Tesseract OCR（GitHub）

関連リソース

• OCRは数式、脚注、図を認識できない: 既知の限界。
• 書き出し形式: 検索可能なPDFの書き出し。